CN117242488A - 用于利用逻辑斯蒂圆柱体行人模型执行对象检测的自主车辆系统 - Google Patents
用于利用逻辑斯蒂圆柱体行人模型执行对象检测的自主车辆系统 Download PDFInfo
- Publication number
- CN117242488A CN117242488A CN202180072608.3A CN202180072608A CN117242488A CN 117242488 A CN117242488 A CN 117242488A CN 202180072608 A CN202180072608 A CN 202180072608A CN 117242488 A CN117242488 A CN 117242488A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- optimized
- circle
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title description 12
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 22
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
- G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
系统从自主车辆获得点云数据,将点云数据投影到二维平面上,并且确定优化圆的优化中心参数值和优化圆的优化半径参数值,它们共同最大化点云数据上中心参数和半径参数的概率分布。系统确定点云数据中的数据点中的一个或多个是否位于优化圆内。如果有,系统为数据点的点标签分配行人类别值。如果点云数据中有位于优化圆外的数据点,则系统为该数据点的点标签分配非行人类别值。
Description
相关申请及优先权要求
本专利文件要求于2020年8月25日提交的美国专利申请号17/002,026的优先权。
背景技术
自主车辆有时很难彻底且可靠地将检测到的与行人对应的LiDAR点和与附近的对象对应的分割开。
为了解决这个问题,通常使用相机和LiDAR数据之间的早期融合技术将图像检测掩码传输到LiDAR点,以便每个LiDAR点都有与其相关联的对象类型标签。如果这些标签完全准确,则可以通过简单地将具有行人标签的点与不具有行人标签的点划分开来实现拆分。然而,标签传输中可能存在误差源,其可能导致简单的划分从而产生差的结果。这些误差源可能包括,例如,图像检测误差、LiDAR和图像数据之间的时间对齐误差、传感器之间的校准误差以及3D和2D投影之间的退化。因此,挑战是快速且有效地将具有不准确对象类型标签的LiDAR点分离为它们的行人和非行人部分。
图像分割可以用于执行此分割。然而,图像分割可能在计算上很复杂并且涉及许多调整参数。
本文件描述了旨在解决上述问题和/或其他问题的方法和系统。
发明内容
一种系统包括电子设备和具有一个或多个程序指令的计算机可读存储介质。程序指令在被执行时使电子设备从自主车辆的一个或多个传感器获得包括一个或多个数据点的点云数据,将点云数据投影到二维平面上,确定共同最大化中心参数和半径参数在点云数据上的概率分布的优化圆的优化中心参数值和优化圆的优化半径参数值,确定点云数据的数据点中的一个或多个是否位于优化圆内,响应于确定点云数据的数据点中的一个或多个位于优化圆内,对于位于优化圆内的每个数据点,向数据点的点标签分配行人类别值,确定点云数据的数据点中的一个或多个是否位于优化圆外,并且响应于确定点云数据的数据点中的一个或多个位于优化圆外,对于位于优化圆外的每个数据点,向数据点的点标签分配非行人类别值。一个或多个数据点中的至少一个被标记为对应于行人类别。点云数据中的每个数据点由二维位置和点标签表示。
系统可以利用强力搜索来生成优化中心参数值和优化半径参数值。系统可以利用梯度上升算法来生成优化中心参数值和优化半径参数值。
系统可以通过从数据点中的一个或多个中识别目标数据点并且确定与目标数据相关联的带符号的距离值来确定点云数据的数据点中的一个或多个是否位于优化圆内。系统可以通过确定目标数据点的二维位置与优化中心参数值之间的差的欧几里得范数来生成第一值,并且确定第一值与优化半径参数值之间的差,从而确定带符号的距离值。
响应于第一值与优化半径参数值之间的差为负,系统可以确定目标数据点位于优化圆内。
系统可以通过从数据点中的一个或多个中识别目标数据点并且确定与目标数据相关联的带符号的距离值来确定点云数据的数据点中的一个或多个是否位于优化圆外。系统可以通过确定目标数据点的二维位置与优化中心参数值之间的差的欧几里得范数来生成第一值,并且确定第一值与优化半径参数值之间的差,从而确定带符号的距离值。响应于第一值与优化半径参数值之间的差为正,系统可以确定目标数据点位于优化圆外。
系统可以被配置为响应于检测与已分配了行人类别值的数据点中的一个或多个相关联的对象,执行引起对自主车辆的一个或多个驾驶操作的调节的一个或多个车辆控制指令。一个或多个车辆控制指令还可以包括使自主车辆在自主车辆在距对象的一距离内时降低其速度的一个或多个车辆控制指令。
附图说明
图1是示出示例自主车辆系统的框图。
图2示出了示例车辆控制器系统。
图3示出了示例LiDAR系统。
图4示出了由自主车辆分割数据点的示例方法。
图5A和图5B示出了根据各种实施例的示例优化圆和示例数据点。
图6是示出可能的电子系统、子系统、AV的控制器和/或其他组件和/或外部电子设备的各种元件的框图。
具体实施方式
除非上下文另有明确规定,否则如本文件中所使用的,单数形式“一”、“一个”和“该”包括复数引用。除非另有定义,否则本文使用的所有技术和科学术语具有与本领域普通技术人员普遍理解的含义相同含义。如本文件中所使用的,术语“包括”是指“包括但不限于”。与本文件相关的附加术语的定义包含在该“具体实施方式”的末尾处。
图1是示出示例系统100的框图,其包括经由网络110与一个或多个数据存储102和/或一个或多个服务器103通信的自主车辆101。尽管示出了一辆自主车辆,但是多辆自主车辆可以在网络110上彼此耦接和/或耦接到数据存储102和/或服务器103。网络110可以是诸如局域网络(LAN)、广域网络(WAN)(例如,因特网)、蜂窝网络、卫星网络或其组合的任何类型的网络,并且可以是有线或无线的。数据存储102可以是任何种类的数据存储,诸如但不限于地图数据存储、交通信息数据存储、用户信息数据存储、兴趣点数据存储或任何其他类型的内容数据存储。服务器103可以是任何种类的服务器或服务器集群,诸如但不限于Web或云服务器、应用服务器、后端服务器或其组合。
如图1所示,自主车辆101可以包括传感器系统111、车载计算设备112、通信接口114和用户接口115。自主车辆101还可以包括车辆中包括的某些组件(如例如图2所示),诸如发动机、车轮、方向盘、变速器等,其可以由车载计算控制设备112利用诸如加速信号或命令、减速信号或命令、转向信号或命令、制动信号或命令等的各种通信信号和/或命令来控制。
传感器系统111可以包括耦接到和/或被包括在自主车辆101内的一个或多个传感器。这样的传感器的示例包括但不限于LIDAR系统、无线电探测和测距(RADAR)系统、激光探测和测距(LADAR)系统、声音导航和测距(SONAR)系统、一个或多个相机(例如,可见光谱相机、红外相机等)、温度传感器、定位传感器(例如,全球位置系统(GPS)等)、位置传感器、燃料传感器、运动传感器(例如,惯性测量单元(IMU)等)、湿度传感器、占用传感器或类似传感器。传感器数据可以包括描述对象在自主车辆101的周围环境中的位置的信息、关于环境本身的信息、关于自主车辆101的运动的信息、关于自主车辆的路线的信息或类似信息。当自主车辆101在表面上行驶时,传感器中的至少一些可以收集关于该表面的数据。
LIDAR系统可以包括被配置为感测或检测自主车辆101所在的环境中的对象的传感器。通常,LIDAR系统是一种结合了可以通过利用光照射目标来测量到目标的距离和/或目标(例如,地面)的其他属性的光学遥感技术的设备。作为示例,LIDAR系统可以包括被配置为发射激光脉冲的激光源和/或激光扫描仪以及被配置为接收激光脉冲的反射的检测器。例如,LIDAR系统可以包括由旋转镜反射的激光测距仪,并且激光在一个、两个或更多维度上围绕被数字化的场景进行扫描,以指定的角度间隔收集距离测量值。LIDAR系统例如可以被配置为发射激光脉冲作为光束。可选地,可以扫描光束以生成二维或三维范围矩阵。在示例中,范围矩阵可以用于通过测量脉冲的发送和相应反射信号的检测之间的时间延迟来确定到给定车辆或表面的距离。在一些示例中,多于一个LIDAR系统可以耦接到第一辆车以扫描第一辆车的完整360°地平线。LIDAR系统可以被配置为向计算设备提供表示已经被激光击中的表面的点数据云。除了范围之外,这些点还可以由LIDAR系统根据定位角和仰角来表示,它们可以转换为相对于附属于车辆的局部坐标系的(X,Y,Z)点数据。此外,LIDAR可以被配置为提供从表面反射的光或激光的强度值,其可指示表面类型。在示例中,LIDAR系统可以包括诸如光(例如,激光)源、扫描仪和光学器件、光电检测器和接收器电子设备以及定位和导航系统的组件。在示例中,LIDAR系统可以被配置为使用紫外线(UV)、可见光或红外线来对对象成像,并且可以与包括非金属对象的范围广泛的目标一起使用。在一个示例中,窄激光束可以用于以高分辨率映射对象的物理特征。
应当注意,用于收集与表面有关的数据的LIDAR系统可以被包括在除自主车辆101之外的系统,诸如但不限于其他车辆(自主或驾驶)、机器人、卫星等中。
图2示出了车辆201(诸如图1自主车辆的自主车辆101)的示例系统架构。车辆201可以包括发动机或电动机202和用于测量车辆和/或其环境的各种参数的各种传感器。两种类型的车辆共有的操作参数传感器包括,例如:定位传感器236,诸如加速度计、陀螺仪和/或惯性测量单元;速度传感器238;和里程计传感器240。车辆101还可以具有时钟242,系统架构使用其来确定操作期间的车辆时间。时钟242可以被编码到车辆车载计算设备212中,它可以是单独的设备,或者多个时钟可以是可用的。
车辆201还可以包括操作用于收集关于车辆正在其中行驶的环境的信息的各种传感器。这些传感器可以包括,例如:位置传感器260,诸如GPS设备;对象检测传感器,诸如一个或多个相机262;LiDAR传感器系统264;和/或雷达和或和/或声纳系统266。传感器还可以包括环境传感器268,诸如降水传感器和/或环境温度传感器。对象检测传感器可以使车辆201能够检测在任何方向上在车辆201的给定距离或范围内的对象,而环境传感器收集关于车辆的行驶区域内的环境条件的数据。该系统架构还将包括用于捕获环境图像的一个或多个相机262。
在操作期间,信息从传感器传送到车载计算设备212。车载计算设备212分析由传感器捕获的数据并且可选地基于分析的结果控制车辆的操作。例如,车载计算设备212可以经由制动控制器222控制制动;经由转向控制器224控制方向;经由油门控制器226(在汽油动力车辆中)或马达速度控制器228(诸如电动车辆中的电流电平控制器)控制速度和加速度;控制差动齿轮控制器230(在具有变速器的车辆中);和/或其他控制器,诸如辅助设备控制器254。
地理位置信息可以从位置传感器260传送到车载计算设备212,其然后可以访问对应于位置信息的环境地图来确定环境的已知固定特征,诸如街道、建筑物、停车标志和/或停止/前进信号。来自相机262的捕获的图像和/或从诸如LiDAR系统264的传感器捕获的对象检测信息从哪些传感器)传送到车载计算设备212。对象检测信息和/或捕获的图像可以由车载计算设备212处理以检测接近车辆201的对象。此外或替代地,车辆201可以将任何数据传输到远程服务器系统103(图1)以供处理。用于基于传感器数据和/或捕获的图像进行对象检测的任何已知或将已知的技术都可以用于本文档中公开的实施例中。
车载计算设备212可以获得、检索和/或创建提供关于自主车辆201的周围环境的详细信息的地图数据。车载计算设备212还可以基于例如三维定位数据(例如,来自GPS的数据)、三维方向数据、预测的位置等来确定AV在环境中的位置、方向、姿势等(定位)。例如,车载计算设备212可以接收GPS数据来确定AV的纬度、经度和/或海拔高度定位。其他位置传感器或系统,诸如基于激光的定位系统、惯性辅助GPS或基于相机的定位,也可以用于识别车辆的位置。车辆的位置可以包括绝对地理位置,诸如纬度、经度和海拔高度,以及相对位置信息,诸如相对于紧邻其周围的其他汽车的位置,这通常可以比绝对地理位置以更少的噪声来确定。地图数据可以提供关于以下的信息:不同道路、路段、车道段、建筑物或其他项目的身份和位置;交通车道的位置、边界和方向(例如,停车车道、转弯车道、自行车道或特定道路内的其他车道的位置和方向)以及与车道相关联的元数据;交通控制数据(例如,标志、交通灯或其他交通控制设备的位置和说明);和/或提供帮助车载计算设备212分析自主车辆201的周围环境的信息的任何其他地图数据。
在某些实施例中,地图数据还可以包括与车辆沿一条或多条车道行驶的常见模式对应的参考路径信息,使得对象的运动被约束到参考路径(例如,对象经常行驶的交通车道内的位置)。这样的参考路径可以是预定义的,诸如交通车道的中心线。可选地,参考路径可以基于一段时间内对车辆或其他对象的历史观察来生成(例如,用于直线行驶、车道合并、转弯等的参考路径)。
在某些实施例中,车载计算设备212还可以包括和/或可以接收与用户的旅行或路线有关的信息、路线上的实时交通信息等。
车载计算设备212可以包括和/或可以与选路控制器231通信,其为自主车辆生成从起始定位到目的地定位的导航路线。选路控制器231可以访问地图数据存储来识别车辆可以行驶以从起始定位到达目的地定位的可能路线和路段。选路控制器231可以对可能的路线进行评分并且识别到达目的地的优选路线。例如,选路控制器231可以生成最小化欧几里得行进距离或路线期间的其他成本函数的导航路线,并且可以进一步访问交通信息和/或可能影响其在特定路线上行驶将花费的时间量的估计。根据实现方式,选路控制器231可以使用诸如Dijkstra算法、Bellman-Ford算法或其他算法的各种选路方法来生成一个或多个路线。选路控制器231还可以使用交通信息来生成反映路线的预期条件(例如,一周中的当前日期或一天中的当前时间等)的导航路线,使得为高峰期间的行驶生成的路线可能与为深夜的行驶生成的路线不同。选路控制器231还可以生成到目的地的多于一条的导航路线,并将这些导航路线中的多于一条发送给用户,以供用户从各种可能的路线中选择。
在各种实现方式中,车载计算设备212可以确定自主车辆201的周围环境的感知信息。基于由一个或多个传感器提供的传感器数据和获得的位置信息,车载计算设备212可以确定自主车辆201的周围环境的感知信息。感知信息可以表示普通驾驶员在车辆的周围环境中将感知到什么。感知数据可以包括与自主车辆201的环境中的一个或多个对象有关的信息。例如,车载计算设备212可以处理传感器数据(例如,LIDAR或RADAR数据、相机图像等)以便识别自主车辆201的环境中的对象和/或特征。对象可以包括交通信号、道路边界、其他车辆、行人和/或障碍物等。车载计算设备212可以使用任何现在或以后已知的对象识别算法、视频跟踪算法和计算机视觉算法(例如,在多个时间段内逐帧迭代地跟踪对象)来确定感知。
在一些实施例中,车载计算设备212还可以针对环境中的一个或多个已识别对象来确定该对象的当前状态。对于每个对象,状态信息可以包括但不限于:当前位置;当前速度和/或加速度,当前朝向;当前姿势;当前形状、大小或占用面积;类型(例如,车辆对行人、对自行车、对静态对象或障碍物);和/或其他状态信息。
车载计算设备212可以执行一个或多个预测和/或预报操作。例如,车载计算设备212可以预测一个或多个对象的未来位置、轨迹和/或动作。例如,车载计算设备212可以至少部分地基于感知信息(例如,每个对象的包括如下文讨论的估计的形状和确定的姿势的状态数据)、位置信息、传感器数据和/或描述对象、自主车辆201、周围环境和/或它们的关系的过去和/或当前状态的任何其他数据来预测对象的位置、轨迹和/或动作。例如,如果对象是车辆并且当前驾驶环境包括交叉路口,则车载计算设备212可以预测对象是否可能会直行或转弯。如果感知数据指示交叉路口没有交通灯,则车载计算设备212还可以预测车辆在进入交叉路口之前是否必须完全停车。
在各种实施例中,车载计算设备212可以确定自主车辆的运动计划。例如,车载计算设备212可以基于感知数据和/或预测数据确定用于自主车辆的运动计划。具体地,关于附近对象的未来位置的给定预测和其他感知数据,车载计算设备212可以确定自主车辆201的相对于在其未来位置处的对象最佳地导航自主车辆的运动计划。
在一个或多个实施例中,车载计算设备212可以接收预测并且做出关于如何处理自主车辆201的环境中的对象的决策。例如,对于特定对象(例如,具有给定速度、方向、转角等的车辆),车载计算设备212基于例如交通状况、地图数据、自主车辆的状态等决策是否超车、让行、停车和/或超车。此外,车载计算设备212还规划自主车辆201在给定路线上行驶的路径,以及驾驶参数(例如,距离、速度和/或转向角度)。也就是说,对于给定的对象,车载计算设备212决定对该对象做什么并确定如何做。例如,对于给定的对象,车载计算设备212可以决定通过该对象并且可以确定是在对象的左侧还是右侧通过(包括诸如速度的运动参数)。车载计算设备212还可以评估检测到的对象与自主车辆201之间碰撞的风险。如果风险超过可接受的阈值,则可以确定如果自主车辆遵循定义的车辆轨迹和/或实施一个或多个动态生成的紧急机动在预定义的时间段(例如,N毫秒)内执行,是否可以避免碰撞。如果可以避免碰撞,则车载计算设备212可以执行一个或多个控制指令来执行谨慎机动(例如,适度减速、加速、改变车道或转弯)。相反,如果不能避免碰撞,则车载计算设备112可以执行一个或多个控制指令来执行紧急机动(例如,制动和/或改变行驶方向)。
如上所述,生成关于自主车辆移动的规划和控制数据以供执行。车载计算设备212可以例如经由制动控制器控制制动;经由转向控制器控制方向;经由油门控制器(在汽油动力车辆中)或马达速度控制器(诸如电动车辆中的电流电平控制器)控制速度和加速度;控制差动齿轮控制器(在具有变速器的车辆中);和/或其他控制器。
在本文件中讨论的各种实施例中,描述可以说明车辆或车辆中(例如,车载计算系统中)包含的控制器可以实施使车辆和/或控制器做出决策并使用决策来控制车辆的操作的程序指令。然而,实施例不限于这种布置,因为在各种实施例中,分析、决策制定和/或操作控制可以全部或部分地由与车辆的车载计算设备和/或车辆控制系统电子通信的其他计算设备来处理。这样的其他计算设备的示例包括与乘坐车辆的人相关联的电子设备(例如智能电话),以及经由无线通信网络与车辆进行电子通信的远程服务器。任何这样的设备的处理器可以执行下文将要讨论的操作。
返回参考图1,通信接口114可以被配置为允许自主车辆101与外部系统(例如外部设备、传感器、其他车辆、服务器、数据存储、数据库等)之间的通信。通信接口114可以利用任何现在或以后已知的协议、保护方案、编码、格式、封装等,诸如但不限于Wi-Fi、红外链路、蓝牙等。用户接口系统115可以是在车辆101内实现的外围设备的部分,包括例如关键字、触摸屏显示设备、麦克风和扬声器等。
图3示出了可以在各种实施例中使用的示例LiDAR系统301。如图3中所示,LiDAR系统301包括壳体305,其可以围绕诸如轮毂或轮轴318的中心轴线可旋转360°。壳体可以包括由对光透明的材料制成的发射器/接收器孔径311。尽管图3中所示的示例具有单个孔径,但是在各种实施例中,可以提供用于发射和/或接收光的多个孔径。无论哪种方式,系统可以通过孔径311中的一个或多个发射光,并且随着壳体305围绕内部组件旋转,接收朝着孔径311中的一个或多个反射的光。在替代实施例中,壳体305的外壳可以是固定圆顶,至少部分地由对光透明的材料制成,具有在壳体305内部的可旋转组件。
在旋转壳或固定圆顶内是光发射器系统304,其被配置和定位成经由一个或多个激光发射器芯片或其他发光设备生成并且发射光脉冲穿过孔径311或穿过壳体305的透明圆顶。发射器系统304可以包括任何数量的单个发射器,包括例如8个发射器、64个发射器或128个发射器。发射器可以发射强度基本相同或强度不同的光。由304发射的单个光束将具有在整个阵列中不相同的明确定义的偏振状态。作为示例,一些光束可以具有垂直偏振,而其他光束可以具有水平偏振。
LiDAR系统还将包括光检测器308,其包含被定位和被配置为接收反射回系统中的光的光电检测器或光电检测器阵列。发射器系统304和检测器308将与旋转壳一起旋转,或者它们将在壳体305的固定圆顶内旋转。一个或多个光学元件结构309可以定位在发光单元304和/或检测器308的前面用作聚焦和引导穿过光学元件结构309的光的一个或多个透镜或波片。
LiDAR系统将包括向光发射器单元304供电的电力单元321、可以转动轮轴318的马达323、壳体305或其他组件以及电子组件。LiDAR系统还将包括分析器315,其具有诸如处理器322和包含程序指令的非暂时性计算机可读存储器323等元件,这些指令被配置为使系统能够接收由光检测器单元收集的数据,对其进行分析来测量接收到的光的特性,并且生成信息,连接的系统可以使用这些信息来做出有关在收集数据的环境中操作的决策。可选地,分析器315可以如图所示与LiDAR系统301集成,或者它的一些或全部可以在LiDAR系统外部并且经由有线或无线通信网络或链路通信地连接到LiDAR系统。例如,马达323可与LiDAR系统集成,但是处理器322和/或存储器323可远离其他组件。
图4示出了根据实施例的由自主车辆分割数据点的示例方法。车载计算设备可以从诸如一个或多个相机、LiDAR等的一个或多个传感器获得400数据点。一个或多个数据点可以用指示该对象对应的对象的对象类型指示符来标记。对象的示例可以包括车辆、自行车、行人等。
在各种实施例中,系统可以将获得的数据点的至少一部分建模402为x-y平面中的圆。该圆可以具有表示为C的圆心和表示为r的半径。系统可以将数据点中的一个或多个投影到x-y平面上以完成此建模。每个数据点可以与其二维位置的指示和点标签相关联。点标签可以指示系统确定该点对应的对象类型。例如,n个点中的每一个都可以由其二维位置P1及其点标签L1表示为Z1=[P1,L1]。
在各种实施例中,以标记点集为条件的C和r的联合概率可以表示为:
其中
在各种实施例中,d1是数据点与圆的边界之间的带符号的距离,其可以表示为:
dl=|Pl-C|-r
因此,带符号的距离d1表示数据点与圆的边界之间的最短距离。d1值的符号表示该点是在圆内还是在圆外。例如,如果d1为正,则可以表示该点在圆之外(例如,从该点到C的距离大于r)。如果d1为负,则可以表示该点在圆内(例如,从该点到C的距离小于r)。
在各种实施例中,|·|是P1和C之差的L2范数或欧几里得范数,并且f(·)是在dl=0的圆的边界处有拐点的逻辑函数。在这种情况下,f(dl)可以表示如下,其中γ表示锐度调整参数:
锐度调整参数γ可以大于零。当d1接近无穷大时,f(d1)在d1=0时接近阶跃函数(即,如果d1<0,则f(d1)=0,并且如果d1>0,则f(d1)=1)。
返回参考图4,系统可以确定404优化的中心参数值和优化的半径参数值,它们共同最大化点云数据中C和r的概率分布。在各种实施例中,系统可以经由联合最大化p(C,r|Z1、……、Zn)的一种或多种数值优化方法来确定404优化的中心参数值和/或优化的半径参数值。例如,系统可以使用强力搜索(例如,网格搜索)、一种或多种梯度上升算法等。
系统可以确定406哪些数据点位于优化的圆内。优化的圆是由优化的圆心参数值和优化的半径参数值定义的圆。例如,系统可以确定一个或多个数据点相对于由优化的中心参数值和优化的半径参数值定义的圆的定位,以基于其位置值确定数据点是在圆内还是圆外。
对于系统确定在优化圆内的一个或多个数据点,如果数据点尚未像这样被标记,则系统可以通过向数据点分配408指示行人的点标记值来更新数据点的点标记。
系统可以确定410哪些数据点位于优化的圆外。对于系统确定在优化圆外的一个或多个数据点,如果数据点尚未像这样被标记,则系统可以通过向数据点分配412不指示行人的点标记值来更新数据点的点标记。
例如,图5A示出了相对于数据点集具有圆心CO和半径rO的优化圆500。如由图5A所示,一些数据点具有“行人”的点标签,而一些数据点具有“车辆”的点标签。图5B示出了这些点的点标签是如何基于它们相对于优化圆的定位进行更新的。例如,数据点502在图5A中具有“非行人”(NP)的点标签。然而,因为该数据点位于优化圆500内,所以其点标签被更新为“行人”(P)。
返回参考图4,更新的点标签可以由车载计算设备用来调节414自主车辆的一个或多个驾驶操作。例如,系统可以使自主车辆基于更新的点标签值来加速、减速、制动、改变方向、调节其轨迹和/或执行一个或多个碰撞避免操作。
作为示例,返回参考图2,车载计算设备可以接收具有更新的点标签值的至少一部分数据点,并且可以分析数据点来执行一个或多个车辆控制指令。例如,响应于分析具有指示行人类别的更新的点标签的一个或多个数据点,车载计算设备可以执行一个或多个控制指令,使自主车辆在距离与具有行人类别值的数据点相关联的对象一定距离时减速或制动。
作为另一示例,车载计算设备可以执行一个或多个控制指令,使自主车辆在距离与具有行人类别值的数据点相关联的对象一定距离时调整其轨迹,以便增加自主车辆与对象之间的距离。在本公开内容的范围内可以执行额外的和/或替代的驾驶操作。
图6描绘了可以包括在诸如AV的内部处理系统、外部监视和报告系统或远程服务器的系统的任何电子组件中的内部硬件的示例。电气总线600用作互连硬件的其他图示组件的信息高速公路。处理器605是系统的中央处理设备,其被配置为进行执行程序指令所需的计算和逻辑运算。如本文件和权利要求中所使用的,术语“处理器”和“处理设备”可以指单个处理器或共同执行操作的集合的处理器的集合中的任何数量的处理器,诸如中央处理单元(CPU)、图形处理单元(GPU)、远程服务器或这些的组合。只读存储器(ROM)、随机存取存储器(RAM)、闪速存储器、硬盘驱动和其他能够存储电子数据的设备构成存储器设备625的示例。存储器设备可以包括存储数据和/或指令的单个设备或设备集合。本发明的各种实施例可以包括包含程序指令的计算机可读介质,这些程序指令被配置为使一个或多个处理器执行在前面附图的上下文中描述的功能。
可选的显示接口630可以允许来自总线600的信息以视觉、图形或字母数字格式显示在显示设备635上,诸如在车辆的仪表盘内显示系统上。还可以提供音频接口和音频输出(诸如扬声器)。与外部设备的通信可以使用诸如无线天线、射频识别(RFID)标签和/或短程或近场通信收发器的各种通信设备640发生,其中的每一个都可以可选地经由一个或多个通信系统与设备的其他组件通信地连接。通信设备640可以被配置成通信地连接到通信网络,诸如因特网、局域网或蜂窝电话数据网络。
硬件还可以包括允许从诸如键盘或小键盘、操纵杆、触摸屏、触摸板、遥控器、指示设备和/或麦克风的输入设备650接收数据的用户接口传感器645。还可以从可以捕获视频和/或静止图像的相机620接收数字图像帧。该系统还可以从诸如加速度计、陀螺仪或惯性测量单元的运动和/或定位传感器670接收数据。该系统还可以从LiDAR系统660接收数据,例如本文档前面所述的数据。
上文公开的特征和功能以及替代方案可以组合到许多其他不同的系统或应用中。各种组件可以以硬件或软件或嵌入式软件来实现。本领域的技术人员可以做出各种目前无法预见或未预料到的替代、修改、变化或改进,其中每一个也旨在被所公开的实施例所涵盖。
与上文提供的公开内容相关的术语包括:
“自动化设备”或“机器人设备”是指包括处理器、程序指令和基于来自处理器的命令可以在最少或没有人为干预的情况下执行至少一些操作或任务的一个或多个组件的电子设备。例如,自动化设备可以执行一个或多个自动功能或功能集。这样的操作、功能或任务的示例可以包括但不限于导航、运输、驾驶、交付、装载、卸载、医疗相关处理、建筑相关处理等。示例自动化设备可以包括但不限于自主车辆、无人机和其他自主机器人设备。
术语“车辆”是指能够运载一名或多名乘员和/或货物并由任何形式的能量提供动力的任何移动形式的交通工具。术语“车辆”包括但不限于汽车、卡车、货车、火车、自主车辆、飞机、无人机等。“自主车辆”是具有处理器、程序指令和可以由处理器控制而无需人类操作员的动力传动系统组件的车辆。自主车辆可以是完全自主的,因为对于大部分或所有驾驶条件和功能,它不需要人类操作员来完成,或者它可以是半自主的,因为在某些条件下或某些操作可能需要人类操作员,或者人类操作员可以凌驾于车辆的自主系统之上并且可以控制车辆。自主车辆还包括自主系统增强了车辆的人类操作的车辆,诸如具有驾驶员辅助转向、速度控制、制动、停车和其他系统的车辆。
在本文件中,术语“街道”、“车道”和“交叉路口”以在一条或多条道路上行驶的车辆为例进行说明。然而,实施例旨在包括诸如停车区的其他位置的车道和交叉路口。此外,对于设计用于室内的自主车辆(诸如仓库中的自动拣选设备),街道可以是仓库的走廊,并且车道可以是走廊的一部分。如果自主车辆是无人机或其他飞行器,术语“街道”可以表示航线,而车道可以是航线的一部分。如果自主车辆是船只,则术语“街道”可以表示水路,并且车道可以是水路的一部分。
术语“交叉路口”是指两条或更多条街道彼此相交或交叉的位置。
如本文所使用的,术语“光”是指与光频率相关联的电磁辐射,例如紫外线、可见光、红外线和太赫兹辐射。示例光发射器包括激光发射器和发射会聚光的其他发射器。在本文档中,术语“发射器”将用于指代光发射器,诸如发射红外光的激光发射器。
“电子设备”或“计算设备”是指包括处理器和存储器的设备。每个设备可以具有其自己的处理器和/或存储器,或者处理器和/或存储器可以与虚拟机或容器布置中的其他设备共享。存储器将包含或接收程序指令,其在处理器执行时,使电子设备根据程序指令执行一个或多个操作。
术语“存储器”、“存储器设备”、“数据存储”、“数据存储设施”等均指计算机可读数据、程序指令或两者都存储在其上的非暂时性设备。除非另有明确说明,否则术语“存储器”、“存储器设备”、“数据存储”、“数据存储设施”等旨在包括单个设备实施例、多个存储器设备一起或共同存储数据或指令集的实施例以及这样的设备内的各个扇区。
术语“处理器”和“处理设备”是指被配置为执行程序指令的电子设备的硬件组件。除非另有明确说明,否则单数术语“处理器”或“处理设备”旨在包括单个处理设备实施例和其中多个处理设备一起或共同执行处理的实施例。
在本文档中,术语“通信链路”和“通信路径”表示第一设备经由其向一个或多个其他设备发送通信信号和/或从一个或多个其他设备接收通信信号的有线或无线路径。如果设备能够经由通信链路发送和/或接收数据,则设备是“通信连接的”。“电子通信”是指在两个或更多个电子设备之间,无论是通过有线网络还是无线网络以及无论是直接还是经由一个或多个中间设备间接,经由一个或多个信号传输数据。
在本文档中,除非特别说明,否则当使用诸如“第一”和“第二”等顺序的相对术语来修饰名词时,这种用法只是为了区分一个项目与另一个项目,而不是要求有顺序的顺序。
此外,诸如“垂直”和“水平”或“前”和“后”等相对方位的术语在使用时旨在是指彼此相对而不是绝对的,并且仅指取决于设备的取向的与这些术语相关联的设备的一种可能的方位。当本文档使用术语“前”、“后”和“侧面”来指车辆的区域时,它们指的是相对于车辆的默认行驶区域的车辆区域。例如,汽车的“前”是与靠近车辆的尾灯相比更靠近车辆的前照灯的区域,而汽车的“后”是与靠近车辆的前照灯相比更靠近车辆的尾灯的区域。此外,术语“前”和“后”不一定限于前向或后向区域,而且还分别包括与靠近后部相比更靠近前部的侧面区域,或反之亦然。车辆的“侧面”旨在指车辆最前部和最后部之间的面向侧面的部分。
Claims (17)
1.一种方法,包括:
通过自主车辆的一个或多个传感器,获得包括一个或多个数据点的点云数据,其中,所述一个或多个数据点中的至少一个被标记为对应于行人类别;
通过电子设备将所述点云数据投影到二维平面上,其中,所述点云数据中的每个数据点由二维位置和点标签来表示;
通过所述电子设备确定优化圆的优化中心参数值和所述优化圆的优化半径参数值,它们共同最大化所述点云数据上的中心参数和半径参数的概率分布;
确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆内;
响应于确定所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆内,对于位于所述优化圆内的每个数据点,为所述数据点的所述点标签分配行人类别值;
确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆外;以及
响应于确定所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆外,对于位于所述优化圆外的每个数据点,为所述数据点的所述点标签分配非行人类别值。
2.根据权利要求1所述的方法,其中,确定所述优化中心参数值和所述优化半径参数值包括以下中的一种或多种:
利用强力搜索产生所述优化中心参数值和所述优化半径参数值;或者
利用梯度上升算法产生所述优化中心参数值和所述优化半径参数值。
3.根据权利要求1所述的方法,其中,确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆内包括:
从所述数据点中的所述一个或多个数据点中识别目标数据点;
通过以下方式确定与所述目标数据点相关联的带符号的距离值:
确定所述目标数据点的二维位置与所述优化中心参数值之间的差的欧几里得范数来生成第一值,以及
确定所述第一值与所述优化半径参数值之间的差。
4.根据权利要求3所述的方法,还包括:
响应于所述第一值与所述优化半径参数值之间的所述差为负,确定所述目标数据点位于所述优化圆内。
5.根据权利要求1所述的方法,其中,确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆外包括:
从所述数据点中的所述一个或多个数据点中识别目标数据点;
通过以下方式确定与所述目标数据点相关联的带符号的距离值:
确定所述目标数据点的二维位置与所述优化中心参数值之间的差的欧几里得范数来生成第一值,以及
确定所述第一值与所述优化半径参数值之间的差。
6.根据权利要求5所述的方法,还包括:
响应于所述第一值与所述优化半径参数值之间的所述差为正,确定所述目标数据点位于所述优化圆外。
7.根据权利要求1所述的方法,还包括:
响应于检测与已分配了所述行人类别值的所述数据点中的一个或多个数据点相关联的对象,执行引起对所述自主车辆的一个或多个驾驶操作的调节的一个或多个车辆控制指令。
8.根据权利要求7所述的方法,其中,所述一个或多个车辆控制指令还包括当所述自主车辆在距所述对象的一距离内时所述自主车辆降低速度的一个或多个车辆控制指令。
9.一种系统,包括:
电子设备;以及
计算机可读存储介质,包括一个或多个程序指令,所述一个或多个程序指令在被执行时,使所述电子设备:
从自主车辆的一个或多个传感器,获得包括一个或多个数据点的点云数据,其中,所述一个或多个数据点中的至少一个被标记为对应于行人类别,
将所述点云数据投影到二维平面上,其中,所述点云数据中的每个数据点由二维位置和点标签来表示,
确定优化圆的优化中心参数值和所述优化圆的优化半径参数值,它们共同最大化所述点云数据上的中心参数和半径参数的概率分布,
确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆内,
响应于确定所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆内,对于位于所述优化圆内的每个数据点,为所述数据点的所述点标签分配行人类别值,
确定所述点云数据中的所述数据点中的一个或多个数据点是否位于所述优化圆外,以及
响应于确定所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆外,对于位于所述优化圆外的每个数据点,为所述数据点的所述点标签分配非行人类别值。
10.根据权利要求9所述的系统,其中,在被执行时使所述电子设备确定所述优化中心参数值和所述优化半径参数值的所述一个或多个程序指令包括:在被执行时使所述电子设备执行以下中的一种或多种的一个或多个程序指令:
利用强力搜索产生所述优化中心参数值和所述优化半径参数值;或者
利用梯度上升算法产生所述优化中心参数值和所述优化半径参数值。
11.根据权利要求9所述的系统,其中,在被执行时使所述电子设备确定所述点云数据的所述数据点中的一个或多个数据点是否位于所述优化圆内的所述一个或多个程序指令包括:在被执行时使所述电子设备进行以下操作的一个或多个程序指令:
从所述数据点中的所述一个或多个数据点中识别目标数据点;
通过以下方式确定与所述目标数据点相关联的带符号的距离值:
确定所述目标数据点的二维位置与所述优化中心参数值之间的差的欧几里得范数来生成第一值;以及
确定所述第一值与所述优化半径参数值之间的差。
12.根据权利要求11所述的系统,其中,所述计算机可读存储介质还包括一个或多个程序指令,所述一个或多个程序指令在被执行时使所述电子设备:
响应于所述第一值与所述优化半径参数值之间的所述差为负,确定所述目标数据点位于所述优化圆内。
13.根据权利要求9所述的系统,其中,在被执行时使所述电子设备确定所述点云数据的所述数据点中的一个或多个数据点是否位于所述优化圆外的所述一个或多个程序指令包括:在被执行时使所述电子设备配置为以下的一个或多个程序指令:
从所述数据点中的所述一个或多个数据点中识别目标数据点;
通过以下方式确定与所述目标数据点相关联的带符号的距离值:
确定所述目标数据点的二维位置与所述优化中心参数值之间的差的欧几里得范数来生成第一值,以及
确定所述第一值与所述优化半径参数值之间的差。
14.根据权利要求13所述的系统,其中,所述计算机可读存储介质还包括一个或多个程序指令,所述一个或多个程序指令在被执行时使所述电子设备:
响应于所述第一值与所述优化半径参数值之间的所述差为正,确定所述目标数据点位于所述优化圆外。
15.根据权利要求9所述的系统,其中,所述计算机可读存储介质还包括一个或多个程序指令,所述一个或多个程序指令在被执行时使所述电子设备响应于检测与已分配了所述行人类别值的所述数据点中的一个或多个数据点相关联的对象,执行引起对所述自主车辆的一个或多个驾驶操作的调节的一个或多个车辆控制指令。
16.根据权利要求15所述的系统,其中,所述一个或多个车辆控制指令还包括当所述自主车辆在距所述对象的一距离内时引起所述自主车辆降低速度的一个或多个车辆控制指令。
17.一种计算机程序产品,所述计算机程序产品包括存储器和程序指令,所述程序指令被配置为使处理器:
获得包括一个或多个数据点的点云数据,其中,所述一个或多个数据点中的至少一个被标记为对应于行人类别;
将所述点云数据投影到二维平面上,其中,所述点云数据中的每个数据点由二维位置和点标签来表示;
确定优化圆的优化中心参数值和所述优化圆的优化半径参数值,它们共同最大化所述点云数据上的中心参数和半径参数的概率分布;
响应于所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆内,对于位于所述优化圆内的每个数据点,为所述数据点的所述点标签分配行人类别值;以及
响应于所述点云数据中的所述数据点中的一个或多个数据点位于所述优化圆外,对于位于所述优化圆外的每个数据点,为所述数据点的所述点标签分配非行人类别值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/002,026 | 2020-08-25 | ||
US17/002,026 US20220067399A1 (en) | 2020-08-25 | 2020-08-25 | Autonomous vehicle system for performing object detections using a logistic cylinder pedestrian model |
PCT/US2021/047441 WO2022076097A2 (en) | 2020-08-25 | 2021-08-25 | Autonomous vehicle system for performing object detections using a logistic cylinder pedestrian model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117242488A true CN117242488A (zh) | 2023-12-15 |
Family
ID=80357007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180072608.3A Pending CN117242488A (zh) | 2020-08-25 | 2021-08-25 | 用于利用逻辑斯蒂圆柱体行人模型执行对象检测的自主车辆系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220067399A1 (zh) |
EP (1) | EP4204859A2 (zh) |
CN (1) | CN117242488A (zh) |
WO (1) | WO2022076097A2 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010205042A (ja) * | 2009-03-04 | 2010-09-16 | Daihatsu Motor Co Ltd | 歩行者検出装置 |
US8260539B2 (en) * | 2010-05-12 | 2012-09-04 | GM Global Technology Operations LLC | Object and vehicle detection and tracking using 3-D laser rangefinder |
EP3523753A4 (en) * | 2017-12-11 | 2019-10-23 | Beijing Didi Infinity Technology and Development Co., Ltd. | SYSTEMS AND METHODS FOR IDENTIFYING AND LOCATING OBJECTS AROUND A VEHICLE |
US10649459B2 (en) * | 2018-04-26 | 2020-05-12 | Zoox, Inc. | Data segmentation using masks |
US11783707B2 (en) * | 2018-10-09 | 2023-10-10 | Ford Global Technologies, Llc | Vehicle path planning |
US11221399B2 (en) * | 2018-12-12 | 2022-01-11 | Waymo Llc | Detecting spurious objects for autonomous vehicles |
US11526706B2 (en) * | 2019-10-09 | 2022-12-13 | Denso International America, Inc. | System and method for classifying an object using a starburst algorithm |
-
2020
- 2020-08-25 US US17/002,026 patent/US20220067399A1/en active Pending
-
2021
- 2021-08-25 EP EP21878184.7A patent/EP4204859A2/en active Pending
- 2021-08-25 WO PCT/US2021/047441 patent/WO2022076097A2/en active Application Filing
- 2021-08-25 CN CN202180072608.3A patent/CN117242488A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4204859A2 (en) | 2023-07-05 |
WO2022076097A3 (en) | 2022-07-21 |
WO2022076097A2 (en) | 2022-04-14 |
US20220067399A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11841927B2 (en) | Systems and methods for determining an object type and an attribute for an observation based on fused sensor data | |
CN116249644B (zh) | 由自主车辆执行出路推断以确定通过交叉路口的可行路径的方法和系统 | |
CN116710976A (zh) | 用于对用于训练远程机器学习模型的数据进行智能机载选择的自主交通工具系统 | |
US11880203B2 (en) | Methods and system for predicting trajectories of uncertain road users by semantic segmentation of drivable area boundaries | |
US11673581B2 (en) | Puddle occupancy grid for autonomous vehicles | |
US11731662B2 (en) | Autonomous vehicle system for detecting pedestrian presence | |
WO2022165498A1 (en) | Methods and system for generating a lane-level map for an area of interest for navigation of an autonomous vehicle | |
WO2022108744A1 (en) | On-board feedback system for autonomous vehicles | |
CN116670609A (zh) | 用于预测自主车辆的未来状态的系统 | |
US11851083B2 (en) | Methods and system for constructing data representation for use in assisting autonomous vehicles navigate intersections | |
US20220179082A1 (en) | Methods and system for analyzing dynamic lidar point cloud data | |
US20220212694A1 (en) | Methods and systems for generating a longitudinal plan for an autonomous vehicle based on behavior of uncertain road users | |
US20220067399A1 (en) | Autonomous vehicle system for performing object detections using a logistic cylinder pedestrian model | |
US11358598B2 (en) | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |